神经回路策略（适用于 PyTorch 和 TensorFlow）

📜 论文

神经回路策略：实现可审计的自主性（开放获取）。
闭式连续时间神经网络（开放获取）

神经回路策略（NCPs）是一种受线虫C. elegans神经系统启发的稀疏循环神经网络。
本库的目标是尽可能简化在 PyTorch 和 Keras 中使用 NCPs 的过程。

📖 文档

import torch
from ncps.torch import CfC

rnn = CfC(20,50) # (输入, 隐藏单元数)
x = torch.randn(2, 3, 20) # (批次, 时间, 特征)
h0 = torch.zeros(2,50) # (批次, 单元数)
output, hn = rnn(x,h0)

安装

pip install ncps

🔖 Colab 笔记本

我们创建了一些 Google Colab 笔记本，用于交互式地介绍该库：

• Google Colab (Pytorch) 基本用法
• Google Colab (Tensorflow): 基本用法
• Google Colab (Tensorflow): 处理不规则采样时间序列
• Google Colab (Tensorflow) 将 NCPs 与其他层堆叠

端到端示例

• 快速入门 (torch 和 tf)
• Atari 行为克隆 (torch 和 tf)
• Atari 强化学习 (tf)

使用：模型与连接方式

该库提供了两种模型：液态时间常数（LTC）模型和闭式连续时间（CfC）模型。
这两种模型都可以作为 tf.keras.layers.Layer 或 torch.nn.Module 循环神经网络层使用。

from ncps.torch import CfC, LTC

input_size = 20
units = 28 # 28个神经元
rnn = CfC(input_size, units)
rnn = LTC(input_size, units)

上述定义的 RNN 考虑的是全连接层，即类似于 LSTM、GRU 等其他 RNN。
NCPs 的独特之处在于其结构化的连接方式。
要将 LTC 或 CfC 模型与一个

from ncps.torch import CfC, LTC
from ncps.wirings import AutoNCP

wiring = AutoNCP(28, 4) # 28个神经元，4个输出
input_size = 20
rnn = CfC(input_size, wiring)
rnn = LTC(input_size, wiring)

Tensorflow

TensorFlow 绑定可通过 ncps.tf 模块获得。

from ncps.tf import CfC, LTC
from ncps.wirings import AutoNCP

units = 28
wiring = AutoNCP(28, 4) # 28个神经元，4个输出
input_size = 20
rnn1 = LTC(units) # 全连接的 LTC
rnn2 = CfC(units) # 全连接的 CfC
rnn3 = LTC(wiring) # 连接方式为 NCP 的 LTC
rnn4 = CfC(wiring) # 连接方式为 NCP 的 CfC

随后，我们可以将 NCP 单元与任意 tf.keras.layers 结合，例如构建一个强大的图像序列分类器：

from ncps.wirings import AutoNCP
from ncps.tf import LTC
import tensorflow as tf
height, width, channels = (78, 200, 3)

ncp = LTC(AutoNCP(32, output_size=8), return_sequences=True)

model = tf.keras.models.Sequential(
    [
        tf.keras.layers.InputLayer(input_shape=(None, height, width, channels)),
        tf.keras.layers.TimeDistributed(
            tf.keras.layers.Conv2D(32, (5, 5), activation="relu")
        ),
        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),
        tf.keras.layers.TimeDistributed(
            tf.keras.layers.Conv2D(64, (5, 5), activation="relu")
        ),
        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),
        tf.keras.layers.TimeDistributed(tf.keras.layers.Flatten()),
        tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(32, activation="relu")),
        ncp,
        tf.keras.layers.TimeDistributed(tf.keras.layers.Activation("softmax")),
    ]
)
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.01),
    loss='sparse_categorical_crossentropy',
)

@article{lechner2020neural,
  title={Neural circuit policies enabling auditable autonomy},
  author={Lechner, Mathias and Hasani, Ramin and Amini, Alexander and Henzinger, Thomas A and Rus, Daniela and Grosu, Radu},
  journal={Nature Machine Intelligence},
  volume={2},
  number={10},
  pages={642--652},
  year={2020},
  publisher={Nature Publishing Group}
}

NCPS 快速上手指南

Neural Circuit Policies (NCP) 是一种受线虫神经系统启发的稀疏循环神经网络，专为处理连续时间序列数据设计。本库支持 PyTorch 和 TensorFlow (Keras)，旨在让开发者轻松构建可解释性强、高效的神经电路策略模型。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：3.7 及以上
• 深度学习框架（任选其一）：
  • PyTorch >= 1.8
  • TensorFlow >= 2.4 (包含 tf.keras)
• 依赖管理：建议使用 pip 或 conda 创建独立虚拟环境

安装步骤

使用 pip 直接安装最新稳定版：

pip install ncps

提示：国内用户若下载缓慢，可使用清华镜像源加速安装：

pip install ncps -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

NCPS 提供了两种核心模型：CfC (Closed-form Continuous-time) 和 LTC (Liquid Time-constant)。你可以选择全连接模式，或结合特定的神经连接结构（Wiring）使用。

1. PyTorch 示例

最简单的用法是直接实例化 CfC 层并进行前向传播：

import torch
from ncps.torch import CfC

# 初始化模型：输入维度 20，隐藏单元 50
rnn = CfC(20, 50) 

# 准备输入数据：(batch_size, time_steps, features)
x = torch.randn(2, 3, 20) 

# 准备初始隐藏状态：(batch_size, units)
h0 = torch.zeros(2, 50) 

# 前向传播
output, hn = rnn(x, h0)

使用自定义神经连接结构 (NCP Wiring)：

from ncps.torch import CfC
from ncps.wirings import AutoNCP

# 定义连接结构：28 个神经元，4 个输出
wiring = AutoNCP(28, 4) 
input_size = 20

# 将结构与模型结合
rnn = CfC(input_size, wiring)

2. TensorFlow / Keras 示例

在 TensorFlow 中，用法类似，支持直接嵌入 tf.keras 模型序列中：

from ncps.tf import CfC, LTC
from ncps.wirings import AutoNCP
import tensorflow as tf

# 定义连接结构
wiring = AutoNCP(28, 4) 
input_size = 20

# 创建模型层
rnn = CfC(wiring)

# 构建一个简单的 Sequential 模型
model = tf.keras.models.Sequential([
    tf.keras.layers.InputLayer(input_shape=(None, input_size)),
    rnn,
    tf.keras.layers.Dense(4, activation="softmax")
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')

更多高级用法（如处理不规则采样时间序列、结合卷积层等），请参考官方文档或 Google Colab 示例笔记。